中井悦司

AI エージェントを理解して積極活用するための基礎知識 〜AI エージェントの迷宮で迷わないために〜

生成 AI から AI エージェントへと技術の進化が進む中、AI エージェントの積極活用に向けた準備はできているでしょうか？目まぐるしく変わる技術の世界で、「AI エージェント」を狭く捉えすぎると、早期活用のチャンスを逃す恐れがあります。本セッションでは、「すでに活用が進む AI エージェント」と「新しい技術で挑戦する AI エージェント」を整理して、それぞれの活用に役立つ Google Cloud のサービス・技術を紹介します。

大規模言語モデル（LLM）をビジネス アプリケーションで活用するための基礎知識と現実的なアプローチ

大規模言語モデル（LLM）をビジネスに活用する際は、LLM を単体で使うのではなく、他の機能と組み合わせた「アプリケーション」を構築する必要があります。LLM の仕組みをわかりやすく説明した上で、LLM を組み込んだビジネス アプリケーションのアーキテクチャー、ユースケース、評価方法など、「やってみた」で終わらないための現実的なアプローチを解説します。

大規模言語モデルを支える分散学習インフラ Pathways

最近、大規模言語モデルの活用が話題になっていますが、Google では、これまでに、TPU を用いた独自の分散学習インフラによって、汎用性の高い自然言語モデル PaLM の開発に成功したことを公表しています。本セッションでは、PaLM の学習に用いた分散学習インフラ Pathways の仕組み、そして、PaLM の性能を示す実験結果などについて技術的な観点から解説します。

ML/AIソリューションのレイヤー構造を理解しよう！～ エンジニアとして知っておきたいアーキテクチャの全体像

「AIの民主化で誰でもAIが使えます！」「MLの活用にはMLOpsを支えるインフラが必要！」---最近よく耳にするメッセージですが、なんだか矛盾したようにも聞こえます。「ML/AIは簡単なの？難しいの？どっちなの？」、そんな疑問に答えるセッションです。ML/AIソリューションには3つのレイヤーがあり、どこからスタートするかで難易度が変わります。Google CloudのAIソリューションを一例にして、ビジネスアプリケーションを構築する際に知っておきたいML/AIソリューションのアーキテクチャを解説します。

Googleの分散データベースサービスを支えるインフラ技術

ペタバイトクラスのデータを現実的なスピードで検索するBigQueryや、数百ノード以上に水平スケールしながら強い整合性を持ったトランザクションを実現するCloud Spannerなど、Google Cloudでは、一般には実現困難と思われるデータベースシステムが提供されています。この背後には、サーチエンジンのインフラとしてスタートした大規模な分散処理基盤が隠されています。Googleの中でも最も長い歴史を持つBigTableを例として、Googleの分散処理基盤を活用したデータベースシステムのアーキテクチャーをご紹介します。